電磁學(Wentworth)
+作者：黃淳權譯(Wentworth)
+年份：2005 年1 版
+ISBN：9867287274
+書號：EE0285C
+規格：16開/平裝/單色
+頁數：632
+出版商：約翰威立
‧公式明瞭，邏輯清晰，扼要卻完整；本書為初學者理想的教科書與專業人士有力的複習書籍。沒有艱澀的數學，卻做到了紮實的推衍，循序漸進；為快樂學習之難得的良書。好書使您有效率地學成，讀之心中感到清爽而不會有一頭霧水之感。
‧書中有多則MATLAB程式，有助於學子與各界參用。
‧另有電腦化解題導引，您可在www.wiley.com/college/wentworth購買使用權，配合本書快樂有效地學習。
第1章 引言
PART I 基本電磁學
第2章 靜電學
第3章 靜磁學
第4章 動態場
第5章 平面波
PART II 應用電磁學
第6章 傳輸線
第7章 波導
第8章 天線
第9章 電磁干擾(本章內容收錄於光碟中)
第10章 微波工程(本章內容收錄於光碟中)
附錄A 向量關係式
附錄B 座標系統轉換式
附錄C 複數
附錄D 積分式、轉換式及常數
附錄E 材料性質
附錄F 精選習題解答
立即查看
邊緣AI｜使用嵌入式機器學習解決真實世界的問題
類似書籍推薦給您
【簡介】
邊緣AI正轉變著電腦與現實世界的互動方式，讓物聯網裝置能夠重拾先前因成本、頻寬或電力限制而被捨棄的99%感測器資料，進而做出決策。透過嵌入式機器學習等技術，開發者就能精煉人類直覺並將其部署到各種目標上，涵蓋了超低功耗微控制器到嵌入式Linux裝置。
這本實用指南為專業工程人士，包括產品經理和技術主管，提供了一個運用邊緣AI技術來解決實際工業、商業和科學問題的端對端框架。你將有機會探索從資料收集、模型最佳化再到調校測試的所有階段，學習如何設計和支援邊緣AI和嵌入式機器學習產品。邊緣AI必定會成為系統工程師的標準工具，本書中的高階路線圖可幫助你快速上手。
．奠定關於邊緣裝置的AI和ML專業知識
．了解哪些專案最適合使用邊緣AI來解決
．探索邊緣AI應用的關鍵設計模式
．學習開發AI系統的迭代工作流程
．打造一支能夠解決實際問題的團隊
．遵循負責任AI過程來製作有效的產品
「本書針對如何結合現今的AI智慧技術和嵌入式系統做了完美的介紹」
—Elecia White
《Making Embedded Systems》書籍作者與Embedded數位廣播節目主持人
「任何剛踏入這個新興領域的人都會受益於本書所提供的深刻見解和清晰思緒」
—Aurélien Geron
曾任YouTube自動影片分類小組主管與暢銷書作家
「我可以想像這本書被大家當作參考書來反覆查找」
—Fran Baker
Arm永續與社會影響力部門主任
【目錄】
前言
第1章 邊緣AI簡介
定義關鍵詞彙
為什麼需要邊緣AI
第2章 真實世界中的邊緣AI
邊緣AI 的常見使用案例
應用類型
以負責任的態度來開發應用
第3章 邊緣AI 的各種硬體
感測器、訊號與資料來源
邊緣AI 處理器
第4章 邊緣AI 演算法
特徵工程
AI 演算法
第5章 工具和專業知識
建立邊緣AI 開發團隊
產業工具
第6章 理解和界定問題
邊緣AI 工作流程
我需要邊緣AI 嗎
確定可行性
第7章 如何建立資料集
資料集長什麼樣子
理想的資料集
資料集和領域專業知識
資料、倫理和負責任的 AI
以資料為中心的機器學習
估算資料需求
取得資料
儲存與取得資料
確保資料品質
準備資料
隨著時間建立資料集
第8章 設計邊緣AI 應用程式
產品和體驗設計
架構設計
考慮設計中的各種選項
第9章 開發邊緣AI 應用程式
邊緣AI 的迭代式開發工作流程
總結
第10章 評估、部署和支援邊緣AI 應用程式
評估邊緣AI 系統
部署邊緣AI 應用程式
支援邊緣AI 應用
第11章 案例：野生動物監測系統
探索問題
探索解決方案
設定目標
設計解決方案
蒐集資料集
DSP 和機器學習工作流程
測試模型
部署
迭代和回饋循環
AI 造福世界
相關成果
第12章 使用案例：食品品質保證
探索問題
探索解決方案
設定目標
設計解決方案
蒐集資料集
DSP 和機器學習工作流程
測試模型
部署
迭代和回饋循環
相關成果
第13章 使用案例：消費性產品使用案例－消費性產品
探索問題
設定目標
設計解決方案
蒐集資料集
DSP 和機器學習工作流程
測試模型
部署
迭代和回饋循環
相關成果
立即查看
實戰智慧物聯網AIoT程式設計學邊緣運算 - 使用Pomas4 AI開發板與Arduino電控模組 - 附MOSME行動學習一點通：評量．加值
類似書籍推薦給您
1.以Pomas開發板為核心，全面系統介紹硬體特性和軟體編程環境，讓讀者對開發板有基本的認識。包括驅動程式安裝、MicroPython整合開發環境使用等。
2.詳細介紹各類電子元件的使用方法和實作案例，涵蓋多種電子元件的應用，提供豐富的實作案例。從基礎的LED燈控制到進階的超音波感測器、語音辨識等，讓讀者學習如何應用這些元件進行各種電子項目的開發。
3.提供專題應用案例，幫助讀者將所學知識應用到實際項目中，而專題應用則展示如何將所學知識應用於實際生活中。包括智慧植栽、藍牙遠距搖控、網際網路應用和智慧家庭系統等專案，這些應用案例涉及了邊緣運算的思想，如將資訊處理和決策功能應用到設備端，内容貼近實際應用，注重務實性和創造力培養。
目錄
Chapter 1 Pomas 開發板
1-1 認識Pomas 開發板
1-2 MicroPython 整合開發環境
1-3 Python 基本語法
1-4 電子元件及電路接線入門
課後習題
Chapter 2 電子元件
2-1 電子材料套件
2-2 實作：開發板內建LED 燈
2-3 實作：外接LED 燈控制
2-4 實作：PWM 呼吸燈
2-5 實作：按鈕開關的使用
2-6 實作：RGB 七彩霓虹燈
2-7 實作：亮度感測模組
2-8 實作：可變電阻調光燈
2-9 實作：TFT LCD 螢幕顯示圖片與文字
2-10 實作：DHT11 數位溫濕度計
2-11 實作：文字型LCD 顯示模組
2-12 實作：超音波感測器——倒車雷達
2-13 實作：揚聲器SPK
2-14 實作：麥克風錄音機
2-15 實作：可調速電風扇
2-16 實作：滾珠開關
2-17 實作：震動開關
2-18 實作：聲音偵測傳感器
2-19 實作：語音辨識
2-20 實作：人臉辨識——使用邊緣運算
課後習題
Chapter 3 專題應用
3-1 專題：智慧植栽
3-2 專題：藍牙遠距搖控
3-3 專題：互聯網應用
3-4 專題：智慧家庭
課後習題
附錄
Pomas V2 開發板
參考答案
立即查看
手機感測器也上AI –人工智慧邊緣運算實作開發教戰手冊 (1版)
類似書籍推薦給您
原價:
1080
售價:
972
現省:
108元
立即查看
AI+IoT佈建邊緣運算：電腦視覺業界專案原理及實作 (1版)
類似書籍推薦給您
內容簡介
本書共5篇，第1篇、第2篇重點介紹以YOLO為代表的一階段物件辨識神經網路；第3篇、第4篇重點介紹物件辨識神經網路在雲端和邊緣端的部署，其中對邊緣端的量化原理進行了重點介紹；第5篇重點介紹當前較為流行的自動駕駛的資料計算原理和物件辨識。本書實用性非常強，既適合對電腦視覺具有一定了解的高等院校大學生、所究所學生及具有轉型意願的軟體工程師入門學習，又適合電腦視覺工程項目研發和營運人員參考閱讀。
第1篇，以知名電腦視覺競賽任務為例，旨在介紹物件辨識應用場景下的基本概念和約定，以及資料標注工具和格式，讓讀者具備特徵融合網路、預測網路的設計能力。對於資料後處理技術則介紹了解碼網路、資料重網路拓樸路、NMS演算法等後處理演算法，在此基礎上結合各式各樣的骨幹網路，讀者就可以架設完整的一階段物件辨識神經網路模型了。
第2篇，旨在介紹物件辨識神經網路的訓練全流程。本篇從資料集製作到損失函式設計，從訓練資料監控到NaN或INF異常處理，特別是對不同損失函式的設計，進行了非常詳細的原理性闡述。相比神經網路設計，損失函式的設計是最具有可解釋性的，也是電腦視覺研究中比較容易出成果的研究方向。
第3篇，旨在運用物件辨識神經網路的訓練成果，架設完整的物件辨識推理模型。推理模型支援雲端部署和邊緣端部署。對於雲端部署，以主流的亞馬遜雲端為例介紹；對於邊緣端部署，以GoogleCoral開發板為例，介紹神經網路量化模型的基礎原理和模型編譯邏輯。
第4篇，結合作者主導過的智慧交通、智慧後勤等專案，旨在介紹實際電腦視覺資料增強技術，以及神經網路性能評估的原理和具體應用。本篇還結合應用同樣廣泛的算能科技（比特中國）SE5邊緣計算閘道和瑞芯微RK3588邊緣計算系統，介紹實際專案中如何使用邊緣計算硬體加速人工智慧的產業化應用。根據邊緣計算硬體特性對神經網路進行針對性修改，是真正考驗一個開發者對神經網路理解程度的試金石。跟隨本書介紹熟練掌握2～3款邊緣計算硬體，就能更快速地將電腦視覺應用到實際生產中，在具體應用中創造價值。
第5篇，旨在將讀者引入三維電腦視覺中最重要的應用領域之一：自動駕駛。圍繞KITTI資料集，本篇介紹了自動駕駛資料的計算原理，並重點介紹了PointNet++等多個三維物件辨識神經網路。
附錄列表說明了本書所參考的物件辨識原始程式碼、Python運行環境架設，以及TensorFlow的基本操作。對基本操作有疑問的讀者，可以根據附錄中的說明登入相關網站進行查閱和提問。
目錄
第1篇 一階段物件辨識神經網路的結構設計
第1章 物件辨識的競賽和資料集
1.1電腦視覺座標系的約定和概念
1.1.1 圖型的座標系約定
1.1.2 矩形框的描述方法約定
1.2 PASCAL VOC競賽和資料集
1.2.1 PASCAL VOC競賽任務和資料集簡介
1.2.2 PASCAL VOC2007資料集探索
1.3 MS COCO挑戰賽和資料集
1.3.1 MS COCO挑戰賽的競賽任務
1.3.2 MS COCO資料集簡介
1.4 物件辨識標注的解析和統計
1.4.1 XML檔案的格式
1.4.2 XML檔案解析和資料均衡性統計
第2章 物件辨識神經網路整體說明
2.1 幾個著名的物件辨識神經網路
2.1.1 R-CNN家族神經網路簡介
2.1.2 YOLO和SSD神經網路簡介
2.1.3 CenterNet神經網路簡介
2.1.4 U-Net神經網路簡介
2.2 物件辨識神經網路分類和高階API資源
2.3 矩形框的交並比評價指標和實現
第3章 一階段物件辨識神經網路的特徵融合和中段網路
3.1 一階段物件辨識神經網路的整體結構
3.2 一階段物件辨識神經網路的若干中段網路介紹
3.2.1 單向融合的中段網路
3.2.2 簡單雙向融合的中段網路
3.2.3 複雜雙向融合的中段網路
3.3 不同融合方案中段網路的關係和應用
3.4 YOLO的多尺度特徵融合中段網路案例
3.4.1 YOLOV3的中段網路及實現
3.4.2 YOLOV4的中段網路PANet及實現
3.4.3 YOLOV3-tiny和YOLOV4-tiny版本的中段網路及實現
3.5 神經網路輸出的解碼
3.5.1 融合特徵圖的幾何含義
3.5.2 矩形框中心點座標的解碼
3.5.3 矩形框寬度和高度的解碼
3.5.4 前背景機率和分類機率的解碼
3.5.5 矩形框角點座標和解碼函式整體輸出
第4章 一階段物件辨識神經網路典型案例——YOLO解析
4.1 YOLO家族物件辨識神經網路簡介
4.2 先驗錨框和YOLO神經網路的檢測想法
4.2.1 用人為設定方式找到的先驗錨框
4.2.2 用聚類回歸方式找到的先驗錨框
4.2.3 YOLO的先驗錨框編號
4.2.4 YOLO的XYSCALE和縮放比參數
4.3 建立YOLO神經網路
4.3.1 根據選擇確定YOLO神經網路參數
4.3.2 建立骨幹網路、中段網路和預測網路
4.3.3 加上解碼網路後建立完整的YOLO模型
4.4 YOLO神經網路的遷移學習和權重載入
4.4.1 骨幹網路關鍵層的起止編號
4.4.2 中段網路和預測網路關鍵層的起止編號
4.4.3 YOLO模型的權重載入
4.5 原版YOLO模型的預測
4.5.1 原版YOLO模型的建立和參數載入
4.5.2 神經網路的輸入/輸出資料重組
4.6 NMS演算法的原理和預測結果視覺化
4.6.1 傳統NMS演算法原理
4.6.2 NMS演算法的變種
4.6.3 預測結果的篩選和視覺化
4.7 YOLO模型的多個衍生變種簡介
4.8 YOLO模型的發展與展望
第2篇 YOLO神經網路的損失函式和訓練
第5章 將資料資源製作成標準TFRecord資料集檔案
5.1 資料資源的載入
5.2 資料資源的解析和提取
5.3 TFRecord資料集檔案的製作
5.4 單樣本的example物件製作
5.5 遍歷全部樣本製作完整資料集
5.6 從資料集提取樣本進行核對
第6章 資料集的後續處理
6.1 資料集的載入和打包
6.1.1 資料集的載入和矩陣化
6.1.2 圖型矩陣尺寸的標準化
6.1.3 真實矩形框標注矩陣尺寸的標準化
6.1.4 資料集的打包處理
6.2 將原始資料集打包為可計算資料集
6.2.1 計算真實矩形框與先驗錨框的匹配度排名
6.2.2 找到真實矩形框所對應的網格下的先驗錨框
6.2.3 可計算資料集測試
第7章 一階段物件辨識的損失函式的設計和實現
7.1 損失函式框架和輸入資料的合理性判別
7.2 真實資料和預測資料的對應和分解
7.3 預測矩形框的前背景歸類和權重分配
7.4 預測矩形框的誤差度量
7.4.1 用中心點表示的位置誤差
7.4.2 用寬度和高度表示的位置誤差
7.4.3 用通用交並比表示的矩形框誤差
7.4.4 用距離交並比表示的矩形框誤差
7.4.5 用完整交並比表示的矩形框誤差
7.4.6 用交並比量化矩形框預測誤差的實踐
7.5 前景和背景的預測誤差
7.5.1 前景誤差和背景誤差的定義
7.5.2 樣本均衡原理和Focal-Loss應用
7.6 分類預測誤差
7.7 總誤差的合併和數值合理性確認
第8章 YOLO神經網路的訓練
8.1 資料集和模型準備
8.1.1 參數配置
8.1.2 資料集前置處理
8.1.3 模型參數載入和凍結
8.2 動態模式訓練
8.2.1 監控指標的設計和日誌儲存
8.2.2 動態模式下神經網路的訓練和偵錯
8.3 訓練中非法數值的監控和偵錯
8.3.1 發現和監控非法數值計算結果
8.3.2 計算結果出現非法數值的原因和對策
8.4 靜態模式訓練和TensorBoard監控
第3篇 物件辨識神經網路的雲端和邊緣端部署
第9章 一階段物件辨識神經網路的雲端訓練和部署
9.1 一階段物件辨識神經網路的推理模型設計
9.1.1 一階段物件辨識神經網路的推理形態
9.1.2 推理場景下的資料重網路拓樸路
9.1.3 構造推理場景下的YOLO模型函式
9.1.4 構造和測試YOLO推理模型
9.2 物件辨識推理模型的雲端部署
9.2.1 亞馬遜EC2雲端運算實例選型
9.2.2 使用雲端伺服器部署模型並回應推理請求
9.3 在亞馬遜SageMakerStudio上訓練雲端運算模型
第10章 神經網路的INT8全整數量化原理
10.1 神經網路量化模型的基本概念
10.1.1 神經網路量化模型速覽和視覺化
10.1.2 浮點數值的量化儲存和計算原理
10.2 神經網路量化模型的製作和分析
10.2.1 運算元的映射和合併
10.2.2 量化參數搜索和代表資料集
10.2.3 TFLite量化模型的運算元和張量分析
10.3 量化性能分析和量化模型的逐層偵錯
10.3.1 量化信噪比分析原理
10.3.2 量化模型的單層誤差偵錯
10.3.3 量化模型的誤差累積偵錯
10.4 不支援運算元的替換技巧
10.4.1 大動態範圍非線性運算元替換原理
10.4.2 大動態範圍非線性運算元替換效果
第11章 以YOLO和Edge TPU為例的邊緣計算實戰
11.1 TensorFlow模型的量化
11.1.1 量化感知訓練獲得INT8整數模型
11.1.2 訓練後量化獲得INT8整數模型
11.2 神經網路模型的編譯
11.2.1 模型編譯的工作原理
11.2.2 在Edge TPU上部署模型的注意事項
11.3 YOLO物件辨識模型的量化和編譯
11.3.1 YOLO變種版本選擇和骨幹網路修改
11.3.2 針對硬體限制進行解碼網路的修改
11.3.3 預測矩陣的整理重組
11.3.4 YOLO推理模型的建立
11.3.5 YOLO模型的量化
11.3.6 量化模型的測試和信噪比分析
11.4 YOLO量化模型的編譯和邊緣端部署
11.4.1 量化模型轉為編譯模型
11.4.2 撰寫邊緣端編譯模型推理程式
第4篇 個性化資料增強和物件辨識神經網路性能測試
第12章 個性化物件辨識資料集處理
12.1 農村公路佔道資料的物件辨識應用
12.1.1 專案資料背景
12.1.2 資料的前置處理
12.2 資料的增強
12.2.1 資料增強技術的概念和效果
12.2.2 基於空間變換的資料增強方法
12.2.3 基於顏色空間的資料增強方法
12.2.4 其他圖像資料的增強手法
12.2.5 圖像資料集的增強工具和探索工具
12.3 使用Albumentations進行資料增強
12.3.1 Albumentations的安裝和使用
12.3.2 幾何資料增強管道的配置
12.3.3 使用資料管道處理並儲存資料
12.3.4 像素資料增強管道的配置
12.3.5 增強資料集的運用
第13章 模型性能的定量測試和決策設定值選擇
13.1 神經網路性能量化的基本概念
13.1.1 神經網路預測的混淆矩陣
13.1.2 神經網路量化評估和P-R曲線
13.1.3 多分類物件辨識場景和平均精確率平均值
13.1.4 F分數評估方法
13.2 餐盤辨識神經網路性能測試案例
13.2.1 專案背景
13.2.2 提取全部真實資料和預測結果
13.2.3 模擬不同決策設定值下的精確率和召回率
第14章 使用邊緣計算閘道進行多路攝影機物件辨識
14.1 邊緣計算閘道的整體結構
14.1.1 核心TPU組件
14.1.2 計算卡和模組
14.1.3 下位機的作業系統
14.1.4 下位機的開發環境簡介
14.2 開發環境準備
14.2.1 上位機安裝Docker
14.2.2 上位機加載鏡像和SDK開發套件
14.2.3 神經網路工具鏈和主要用途
14.2.4 針對TensorFlow模型的編譯方法
14.3 浮點32位元模型部署的全流程
14.3.1 訓練主機將Keras模型轉為單pb模型檔案
14.3.2 上位機將單pb模型檔案編譯為bmodel模型檔案
14.3.3 下位機讀取和探索bmodel模型檔案
14.3.4 下位機使用bmodel模型檔案進行推理
14.4 邊緣端全整數量化模型部署
14.4.1 在上位機Docker內製作代表資料集
14.4.2 在上位機Docker內生成fp32umodel模型檔案
14.4.3 手動增加fp32umodel模型檔案的輸入層映射運算元
14.4.4 對fp32umodel模型檔案進行最佳化
14.4.5 在上位機Docker內將fp32umodel模型檔案編譯為int8umodel模型檔案
14.4.6 umodel模型檔案的偵錯技巧
14.5模型的編譯和部署
14.5.1 上位機將int8umodel模型檔案編譯為bmodel模型檔案
14.5.2 全整數量化int8bmodel模型檔案的邊緣端推導和測試
14.5.3 編譯模型在邊緣計算閘道上的性能測試
第15章 邊緣計算開發系統和RK3588
15.1 RK3588邊緣推理開發系統結構
15.1.1 開發板和核心晶片架構
15.1.2 開發板作業系統和偵錯環境
15.2開發工具鏈和神經網路模型部署
15.2.1 上位機開發環境配置
15.2.2 上位機的模型轉換
15.2.3 下位機使用編譯模型進行推理
15.2.4 RK3588的運算元偵錯技巧
第5篇 三維電腦視覺與自動駕駛
第16章 三維物件辨識和自動駕駛
16.1 自動駕駛資料集簡介
16.2 KITTI資料集計算原理
16.3 自動駕駛的點雲特徵提取
附錄A 官方程式引用說明
附錄B 本書運行環境架設說明
附錄C TensorFlow矩陣基本操作
立即查看
淺談邊緣運算－智慧生活大趨勢(學AI真簡單系列6)
類似書籍推薦給您
淺談邊緣運算－智慧生活大趨勢（學AI真簡單系列11）
ISBN13：9789865036690
出版社：全華圖書
作者：AI4kids
裝訂／頁數：平裝／124頁
規格：26cm*19cm (高/寬)
重量：240克
出版日：2021/06/07
內容簡介
本書透過簡單易懂的用語，以及大量的圖文解說，帶領讀者探索你我身邊最常見的AI應用──邊緣運算。從物聯網（IOT）的發展到加入AI元素的AIoT這段歷程，究竟是如何發生？這些改變又將帶給人們生活什麼樣的衝擊與改變？讀者都可在這本書中一窺究竟。AI學習不再流於理論空談。作者將實際操作的範例一步步詳細解說，帶領讀者親自動手實作邊緣運算中最常見的影像辨識系統，並整合樹莓派（微電腦）與最新神經網路加速器設備（NPU），加速推論過程的實現。
本書作者為AI4kids團隊，曾應教育部國教署邀請，至全國高中主任會議分享AI教學、親子天下雜誌專文報導，成員來自AIA台灣人工智慧學校的校友，團隊有軟體技術、創新研發、工程管理、電商行銷等資歷專長，因為對AI科技教育的熱情而投入AI的教案研發與教學，目標是透過教孩子動手實作AI專題，來啟發他們對好奇心與想像力，協助他們運用各種程式或平台工具來探索、創造自己的AI應用。
本書特色
讀得懂：全彩圖文解說，激發讀者興趣、接軌AI應用。
好理解：步驟性的詳述，操作畫面清楚、理解範例容易。
目錄
第1章 邊緣運算
1-1 邊緣運算的定義
1-2 邊緣運算的組織架構
1-3 邊緣運算的興起與優勢
1-4 邊緣運算與人工智慧
第2章 邊緣運算的應用案例
2-1 來自未來的技術──自駕車上路
2-2 智慧城市的螞蟻雄兵──智慧路燈
2-3 顛覆傳統的消費方式──智慧零售
2-4 工業4.0的新產物──智慧工廠
2-5 智慧家居
第3章 邊緣運算的實作案例
3-1 工具介紹
3-2 環境介紹與安裝教學
3-3 邊緣運算的實作範例
第4章 邊緣運算的加速器
4-1 人工智慧的加速器
4-2 NPU界的新星：Kneron 的KL520-Dongle
第５章 人工智慧加速器的應用範例
5-1 模組A
5-2 模組B
5-3 模組C
立即查看
華通書坊
